Preguntas etiquetadas con svd

Me gustaría dibujar una muestra x∼N(0,Σ)x∼N(0,Σ)\mathbf{x} \sim N\left(\mathbf{0}, \mathbf{\Sigma} \right) . Wikipedia sugiere usar una descomposición de Cholesky o Eigen , es decir, Σ=D1DT1Σ=D1D1T \mathbf{\Sigma} = \mathbf{D}_1\mathbf{D}_1^T o Σ=QΛQTΣ=QΛQT \mathbf{\Sigma} = \mathbf{Q}\mathbf{\Lambda}\mathbf{Q}^T Y por lo tanto, la muestra se puede extraer mediante: x=D1vx=D1v \mathbf{x} = \mathbf{D}_1 \mathbf{v} o x=QΛ−−√vx=QΛv \mathbf{x} …

16 normal-distribution  random-generation  svd  cholesky 

Estoy intentando realizar la agrupación a nivel de documento. Construí la matriz de frecuencia de término-documento y estoy tratando de agrupar estos vectores de alta dimensión usando k-means. En lugar de agrupar directamente, lo que hice fue aplicar primero la descomposición vectorial singular de LSA (Análisis semántico latente) para obtener …

16 clustering  pca  dimensionality-reduction  text-mining  svd 

Considere una serie de tiempo simple: > tp <- seq_len(10) > tp [1] 1 2 3 4 5 6 7 8 9 10 podemos calcular una matriz de adyacencia para esta serie de tiempo que representa los enlaces temporales entre muestras. Al calcular esta matriz, agregamos un sitio imaginario en …

15 time-series  matrix-decomposition  svd 

Encontré el artículo de Hervé Abdi sobre SVD generalizada. El autor mencionó: El SVD generalizado (GSVD) descompone una matriz rectangular y tiene en cuenta las restricciones impuestas en las filas y las columnas de la matriz. El GSVD proporciona una estimación de mínimos cuadrados generalizada ponderada de una matriz dada …

15 multivariate-analysis  svd 

Estos términos se mezclan mucho, pero me gustaría saber cuáles cree que son las diferencias, si las hay. Gracias

15 pca  text-mining  svd 

Posiblemente fuera de tema aquí, pero ya existen varias ( una , dos ) preguntas relacionadas. Escudriñar la literatura (o una búsqueda en Google de Algoritmos SVD truncados) muestra muchos documentos que usan SVD truncados de varias maneras y afirman (frustrantemente, a menudo sin citas) que existen algoritmos rápidos para …

14 algorithms  svd  numerics 

Si construyo una matriz 2D compuesta completamente de datos aleatorios, esperaría que los componentes PCA y SVD esencialmente no explicaran nada. En cambio, parece que la primera columna SVD parece explicar el 75% de los datos. ¿Cómo puede ser esto posible? ¿Qué estoy haciendo mal? Aquí está la trama: Aquí …

13 r  pca  svd 

Estoy tratando de descomponer una matriz de covarianza basada en un conjunto de datos dispersos / breves. Me doy cuenta de que la suma de lambda (varianza explicada), según se calcula con svd, se amplifica con datos cada vez más vacíos. Sin huecos, svdy eigenarrojar los mismos resultados. Esto no …

12 r  svd  eigenvalues 

Supongamos que tengo una matriz de recomendaciones al estilo de Netflix, y quiero construir un modelo que prediga posibles clasificaciones de películas futuras para un usuario determinado. Usando el enfoque de Simon Funk, se usaría el descenso de gradiente estocástico para minimizar la norma de Frobenius entre la matriz completa …

12 svd  recommender-system 

Entiendo la relación entre el análisis de componentes principales y la descomposición del valor singular en un nivel algebraico / exacto. Mi pregunta es sobre la implementación de scikit-learn . La documentación dice: " [TruncatedSVD] es muy similar a PCA, pero opera en vectores de muestra directamente, en lugar de …

12 pca  scikit-learn  svd  scipy 

Cerrado. Esta pregunta está fuera de tema . Actualmente no está aceptando respuestas. ¿Quieres mejorar esta pregunta? Actualice la pregunta para que esté en el tema de Cross Validated. Cerrado el año pasado . Estoy usando la descomposición vectorial singular en una matriz y obteniendo las matrices U, S y …

11 data-visualization  python  svd 

En todos los sistemas de recomendación modernos que he visto que se basan en la factorización matricial, se realiza una factorización matricial no negativa en la matriz de película del usuario. Puedo entender por qué la no negatividad es importante para la interpretabilidad y / o si desea factores dispersos. …

11 recommender-system  svd  matrix-decomposition  nnmf 

Una forma de generar incrustaciones de palabras es la siguiente ( espejo ): Obtenga un corpus, por ejemplo, "Me gusta volar. Me gusta la PNL. Me gusta el aprendizaje profundo". Construya la matriz de concordancia de palabras a partir de ella: Realice SVD en y mantenga las primeras columnas de …

11 natural-language  svd  mutual-information  word-embeddings  language-models 

Estoy utilizando un análisis semántico latente para representar un corpus de documentos en un espacio dimensional inferior. Quiero agrupar estos documentos en dos grupos usando k-means. Hace varios años, hice esto usando el gensim de Python y escribiendo mi propio algoritmo k-means. Determiné los centroides del grupo utilizando la distancia …

10 k-means  svd  lsa  cosine-distance  cosine-similarity 

Este es solo un ejemplo que he encontrado varias veces, por lo que no tengo ningún dato de muestra. Ejecutar un modelo de regresión lineal en R: a.lm = lm(Y ~ x1 + x2) x1Es una variable continua. x2es categórico y tiene tres valores, por ejemplo, "Bajo", "Medio" y "Alto". …

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction